commit_natalia4

Restaurant/Natalia/__init__.py

@@ -25,7 +25,7 @@ def main():
     X = model_tree[feature_cols]
     #separacja danych etykieta
     y = model_tree.number
-    
+
 
     #podział danych na zestaw treningowy i testowy; 70% trening 30% test
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,

Restaurant/main.py

@@ -126,7 +126,7 @@ class Dish(object):
         self.price = int(price)
         self.fatContent = random.randint(0, 16)
         self.fiberContent = random.randint(0, 16)
-        self.spicy = random.randint(0, 1)
+        self.spicy = random.randint(0, 5)
 
 
 class Plate(object):

polecanie_dań_Natalia_Plitta.md

@@ -89,35 +89,85 @@ Na końcu model (z większym wskaźnikiem trafności) zostaje zapisany do pliku
 <img src="https://git.wmi.amu.edu.pl/s444412/DSZI_2020_Projekt/raw/master/Restaurant/Natalia/polecanie_1.png" >
 
 
-## Integracja z projektem ##
-
-Po uruchomieniu programu i wybraniu na ekranie głównym opcji *Ciężkostrawność dań*, uruchomiona zostaje funkcja *Evaluate()*, która ładuje z pliku model drzewa. Zainicjowany zostaje również przykładowy stan restauracji (dodanie kilku klientów, przypisanie im stołów i talerzy). Wywoływany jest też przykładowy ruch kelnera, który podchodzi do kilku stolików i pomaga w ocenie strawności dania, przy pomocy funkcji *predictDigest()*:
+### Integracja z projektem ###
 
+Po uruchomieniu programu, należy nacisnąć na przycisk *Polecanie dań*, a wtedy uruchomiona zostaje funkcja *Tree_natalia()*, która ładuje z pliku model drzewa. Zainicjowany zostaje również przykładowy stan restauracji (dodanie kilku klientów, przypisanie im stołów i talerzy). Wywoływany jest też przykładowy ruch kelnera, który podchodzi do kilku stolików i pomaga w doborze dania. 
 ```python
-def predictDigest(dish, client, model):    
-    data = []    
-    data.append(client.age)    
-    data.append(dish.fatContent)    
-    data.append(dish.fiberContent)    
-    data.append(client.sex)    
-    data.append(dish.spicy)    
-    prediction = model.predict([data])        
-    if prediction == 1:        
-        messagebox.showinfo("opinia", "Z tym może być ciężko. " + str(data))
-        return prediction    
-    else:        
-        messagebox.showinfo("opinia", "Z tym nie będzie tak źle! " + str(data))
-        return prediction
+def Tree_natalia(d):
+    if d == 1:
+        loaded_model = joblib.load('Natalia/final_model.sav')
+        messagebox.showinfo("Zaczynamy!", "Zaczynamy!")
+
+        prefer1 = Dish("prefer1", 40, 20, 15)
+        prefer2 = Dish("prefer2", 25, 10, 10)
+        prefer3 = Dish("prefer3", 55, 25, 28)
+
+        plate1 = Plate(prefer1, "Natalia/danie1.png")
+        plate2 = Plate(prefer2, "Natalia/danie2.png")
+        plate3 = Plate(prefer3, "Natalia/danie3.png")
+
+        client1 = Client(25, 1, 45, 1)
+        client2 = Client(41, 0, 22, 4)
+        client3 = Client(10, 0, 32, 8)
+
+        client1.takePlateAndEat(plate1)
+        client2.takePlateAndEat(plate2)
+        client3.takePlateAndEat(plate3)
+
+        bot.goByAStar((tables[1].pos[0] + 1, tables[1].pos[1]))
+        opinion = show_predict(prefer1, client1, loaded_model)
+
+        bot.goByAStar((tables[3].pos[0] + 1, tables[3].pos[1]))
+        opinion = show_predict(prefer2, client2, loaded_model)
+
+        bot.goByAStar((tables[5].pos[0] + 1, tables[5].pos[1]))
+        opinion = show_predict(prefer3, client3, loaded_model)
+
 ```
 
-Funkcja jako parametry przyjmuje obiekty danie, klient i załadowany model. Parametry potrzebne modelowi do wyznaczenia wyniku pobierane są z odpowiednich obiektów i jako tablica przekazywane do funkcji *predict()*. Następnie, w zależności od otrzymanego wyniku wyświetlany jest odpowiedni komunikat i dane jakie podlegały ocenie. 
+Następnie przy pomocy funkcji *show_predict()* wyświetlane jest zdjęcie poleconego dania.
+Funkcja jako parametry przyjmuje obiekty danie, klient i załadowany model.
+```python
+def show_predict(dish, client, model):
+    data = []
+    data.append(client.age)
+    data.append(dish.fatContent)
+    data.append(dish.fiberContent)
+    data.append(client.sex)
+    data.append(dish.spicy)
+    prediction = model.predict([data])
+
+
+    if prediction == 1:
+        ShowImg("Natalia/danie1.png")
+        return prediction
+    elif prediction == 2:
+        ShowImg("Natalia/danie2.png")
+        return prediction
+    elif prediction == 3:
+        ShowImg("Natalia/danie3.png")
+        return prediction
+    elif prediction == 4:
+        ShowImg("Natalia/danie4.png")
+        return prediction
+    elif prediction == 5:
+        ShowImg("Natalia/danie5.png")
+        return prediction
+    elif prediction == 6:
+        ShowImg("Natalia/danie6.png")
+        return prediction
+    else:
+        ShowImg("Natalia/danie7.png")
+        return prediction
+
+```
 
 Pola *fatContent*, *fiberContent*, *spicy*  klasy *Dish* w momencie tworzenia instancji klasy są ustawiane na losowo wygenerowaną liczbę z odpowiednich przedziałów:
 
 ```python
 self.fatContent = random.randint(0, 16)
 self.fiberContent = random.randint(0, 16)
-self.spicy = random.randint(0, 1)
+self.spicy = random.randint(0, 5)
 ```
 
 Po zakończeniu trasy wyświetlany jest stosowny komunikat, a aplikacja zostaje wyłączona.